随着互联网规模的不断扩大,互联网已经进入信息过载的时代。如何快速的从互联网过量的信息中提取到用户想要的信息,已经成为互联网时代的难题。在这种机遇与挑战下,推荐系统应用而生。推荐系统旨在根据用户的兴趣与爱好,从海量的信息中为每个用户推荐用户可能会喜欢或者需要的物品,从而实现用户与互联网的双赢。推荐系统的发展是可观的,但随之而来的问题也日益突出,例如如何提升推荐系统的多样性,缓解推荐系统的冷启动问题等。在互联网尤其是电子商务领域,解决上述两个问题已经成为迫在眉睫的事情。在提高推荐系统的多样性问题上,本文提出了一种新的提高推荐系统多样性的算法,该算法结合使用了协同过滤算法中的两大算法,基于用户的协同过滤推荐和基于物品的协同过滤推荐。本文把协同过滤的两大算法相结合,按照不同的比例综合选取两种推荐结果,提高了多样性。大量的实验数据表明,相比于基于用户的算法,个体多样性有了一定的提升,同时,推荐系统的聚合多样性比原来算法的结果也有了一定的提高,相比于基于物品的算法,聚合多样性整体也有了不少的增加。在推荐系统冷启动问题上,本文处理的问题是缓解推荐系统的物品冷启动与用户冷启动问题。在利用决策树分类的思想以缓解物品冷启动的算法上,本文提出了新的聚类思想以改进原有算法。信任式网络系统认为,相似度大于或等于0.6的用户,彼此之间是非常相似的。改进后的算法与原算法相比,平均绝对误差有了一定程度的减少。在缓解用户的冷启动问题上,本文先把第三方授权与统计学信息结合到一起,再结合使用多样性的算法,这样使得用户冷启动的准确性与多样性都有了一定程度的提高,有效的缓解了新用户在推荐系统中的冷启动问题。